Dissertação
{en=Functional Connectivity Measures in Memory Networks Using Independent Component Analysis} {} EVALUATED
{pt=Uma das faculdades que frequentemente se mostra alterada em diversas patologias do foro neurológico é a memória. A memória engloba vários mecanismos complexos que são objecto de estudos diversificados em neurociências. Os estudos de Ressonância Magnética funcional (RMf) dispõem de diferentes métodos para análise dos dados, sendo possível, por exemplo, avaliar a conectividade funcional entre regiões do cérebro distintas. Neste trabalho, procurou-se explorar métodos para analisar a conectividade funcional de dados de RMf, nomeadamente decomposição em componentes independentes (ICA). Foram utilizados dados de um estudo anterior (Figueiredo et al. 2008) sobre memória episódica em doentes com epilepsia do lobo temporal e esclerose do hipocampo. Para este efeito, três métodos de ICA para analisar dados de grupo foram comparados: probabilistic-ICA (PICA) com uma abordagem tensorial, PICA com uma abordagem de concatenação temporal dos dados, e ICA com concatenação temporal. Opções diferentes de pré-processamento foram comparadas e desenvolveram-se métodos para ordenar e seleccionar as componentes de interesse. No geral, identificaram-se redes com diferenças significativas entre grupos, não só comparando o grupo de controlo com os doentes, como também comparando grupos com média de idades diferente. Os resultados obtidos com os vários métodos de ICA foram semelhantes, embora a abordagem tensorial tenha detectado diferenças entre grupos mais significativas. Em suma, os resultados das três abordagens de ICA para dados de grupo foram comparados. Foram desenvolvidos métodos para seleccionar as componentes e identificar diferenças significativas entre grupos. , en=Memory function consists of complex processes that appear to be compromised in several neurological pathologies. Consequently, memory processes have been the subject of diverse studies within the field of neurosciences, for instance, using functional magnetic resonance imaging (fMRI). Numerous methods have been developed to analyse fMRI data, not only to detect and localize activating areas, but most interestingly in order to assess functional connectivity between distinct brain regions. The objective of this work was to explore methods of functional connectivity analysis of fMRI data using independent component analysis (ICA). The methods were applied to data from a previous study of memory function in normal subjects and patients with medial temporal lobe epilepsy and right hippocampal sclerosis (Figueiredo 2009). Three different group ICA approaches were tested: tensorial probabilistic ICA (PICA), PICA with temporal concatenation and ICA with temporal concatenation. Different pre-processing options were compared and methods were implemented to assist in the selection of components of interest. Overall, different group ICA approaches were tested for the analysis of functional connectivity of fMRI data from two memory tasks. Functional connectivity was found in networks of brain areas involved in the performed tasks, as well as in networks commonly identified in resting-state fMRI studies. Moreover, significant group differences were observed between normal controls and patients and between younger and older subjects, which were consistent with comparable observations in the literature. The three ICA approaches yielded comparable networks, although, in general, the tensorial PICA approach proved more sensitive in the detection of group differences. }
novembro 25, 2009, 11:0
Publicação
Obra sujeita a Direitos de Autor
Orientação
